Divide and Conquer Self-Supervised Learning for High-Content Imaging

作者: Lucas Farndale, Paul Henderson, Edward W Roberts, Ke Yuan

发布时间: 2025-03-11

来源: arxiv

研究方向: 计算机视觉，自监督学习，高内容成像

主要内容

本文提出了一种名为SpliCER的新的自监督学习架构，用于高内容成像。该架构将图像分割成多个组件，并从每个组件中提取信息，以指导模型学习更微妙和复杂的特征，同时不牺牲简单特征。SpliCER可以与任何自监督损失函数兼容，并且可以集成到现有方法中而无需修改。

1. 证明了现有的自监督方法在简单和复杂特征都存在时可以学习捷径解决方案。

2. 引入了一种新的自监督训练方法，即SpliCER，以克服现有方法的局限性，并实现下游性能的显著改进。

3. 证明了SpliCER在先进的医疗和地理空间成像设置中的有效性。SpliCER为表示学习提供了一个强大的新工具，使模型能够发现其他方法可能忽略的复杂特征。

1. 图像分割

2. 信息蒸馏

3. 自监督学习

4. 多视图假设

5. 知识蒸馏

实验结果表明，SpliCER在多个数据集上均优于基线方法，包括MNIST-CIFAR、Orion-CRC、MMEarth、NCT-CRC-100K和Camelyon。此外，SpliCER在处理高内容图像（如多路免疫荧光图像和高光谱图像）时也表现出优异的性能。

未来的工作可以探索以下方向：将SpliCER与其他自监督学习方法相结合，以进一步提高性能；将SpliCER应用于更多领域，如医学影像分析、地理空间图像分析和卫星图像分析；研究如何进一步降低简单性偏差。